如何驗證 AI 生成的引用

您必須逐一核實每一條由 AI 生成的引文，獨立確認該來源確實存在，且其內容確實支持其所附著的具體論點。不要輕信模型的輸出結果；應將每一條參考文獻視為一項假設，並透過外部書目記錄與原始文本進行嚴格驗證。

AI 引用生成的特定失敗模式

大型語言模型經常生成看似合理但結構有誤的引用。這些錯誤通常分為三類：

• 幻覺標題。模型會捏造一個聽起來符合學術規範但實際不存在的標題。該標題可能結合來自不同領域的真實概念，形成一個看似合乎邏輯卻無出版記錄的詞組。
• 作者不符。標題或主題是真實的，但作者名單錯誤。模型可能會將論文歸給該領域一位並未撰寫該論文的知名研究者，或顛倒姓與名。它也可能捏造共同作者，以使引用看起來更為穩健。
• 年份與元數據錯誤。出版年份、卷號、頁碼範圍或 DOI 可能是虛構的。常見錯誤包括將較新的年份指派給較舊的開創性著作，或附加一個解析後指向完全不同文章的 DOI。

這些錯誤之所以危險，是因為它們往往不易察覺。讀者可能匆匆掃過引註，認出主題，便在不核對細節的情況下預設該參考資料有效。

逐步驗證工作流程

要系統性地檢查引文，請遵循以下順序。您需要先確認其存在，再檢視其支援程度。

1. 隔離元數據。從草稿中複製完整的引用細節（作者、標題、年份、來源、如有 DOI 則包含 DOI）。

2. 透過 DOI 或註冊庫驗證存在性。若提供 DOI，請使用 Crossref 查詢 DOI 註冊庫。確認該 DOI 能解析至真實記錄，且元數據與您的引用完全一致。若未提供 DOI，或您正在檢查書籍或章節，請使用 OpenAlex 查詢標題與作者的組合。檢查開放學術索引中是否存在匹配的記錄。

3. 與次要資料庫交叉核對。使用 Google Scholar 搜尋標題。尋找該引用的多個實例。若論文存在，您應能看到其他研究者引用它。檢查摘要以確保主題相符。對於生物醫學引用，請使用 PubMed 驗證文章是否存在於生命科學資料庫中並檢視摘要。為了獲得更廣泛的覆蓋範圍，特別是如果您擁有機構訂閱權限，請使用 Scopus 確認文章的存在及其脈絡。

4. 驗證論點支持。這是最關鍵的一步。存取已驗證來源的全文或摘要。閱讀聲稱提出該論點的特定章節。詢問：這個來源是否真的提出了這個論點？它是否提供了您的草稿所暗示的數據或理論？如果來源只是順帶提及該主題或提出相反的論點，則該引用對您的目的而言無效。

5. 記錄已驗證的參考文獻。確認後，將記錄儲存於 Zotero 或 Mendeley。這些工具允許您儲存已驗證的元數據。透過將 AI 生成的引用與您儲存的已驗證記錄進行比較，您可以建立一個防止未來錯誤的本地真實資料庫。

顯示引用為虛構的信號

請對以下模式保持警惕：

• 過度泛化的標題。 標題在語法上正確，卻缺乏真實學術語言特有的細膩度。
• 無法解析的 DOI。 DOI 格式正確但無法解析，或僅解析至出版社首頁而非特定文章。
• 過長或過短的作者名單。 多數領域的真實論文都有典型的作者數量範圍。理論性論文列出 15 位作者，或大型實證研究僅有一位作者，可能暗示內容為虛構。
• 日期捨入誤差。 若 AI 引用一篇「2024」年的論文，卻描述需要十年縱向數據才能得出的發現，該日期很可能錯誤。
• 「信心」幻覺。 若 AI 以高度自信且毫無猶豫地呈現引用，你應更加謹慎，而非放鬆警惕。模型往往在產生幻覺時表現得最為自信。

結構化提示詞以減少引用錯誤

你可以在起草階段透過限制 AI 的輸出，來降低錯誤發生的機率。

• 要求具體的元數據。 不要詢問「相關論文」，而要詢問「三篇 2020 年後發表且附有 DOI 的論文」。若未要求提供 DOI，模型很可能會生成虛假的標題。
• 限制範圍。 針對非常具體的主張請求引用，而非廣泛的主題。主張越具體，模型偏離進入幻覺領域的可能性就越低。
• 請求驗證線索。 要求模型陳述摘要的首句或論文的具體結論。若無法提供連貫的片段，該來源很可能是虛構的。
• 採用迭代檢查。 針對某一主張生成五個引用的清單。驗證其中兩個。若兩者皆為虛假，則捨棄整個清單。若兩者皆為真實，則驗證其餘三個。這種抽樣方法既能節省時間，又能維持高準確度。